Testing for revealing of data structure based on the hybrid approach

• Autorzy: Mosorov V. , Panskyi T. , Biedron S.

Identyfikatory

DOI

10.5604/01.3001.0010.4853

Warianty tytułu

EN

Testowanie występowania struktury danych w oparciu o podejście hybrydowe

• Języki publikacji: EN

Abstrakty

EN

W pracy tej przedstawiono testowanie występowania struktury danych w oparciu o podejście hybrydowe. Podejście to, podczas testowania wymaga zdefiniowania hipotezy wstępnego klastrowania; założenia homogeniczności danych na podstawie zdefiniowanej „statystyki”; zastosowania tej samej procedury klastrowania dla interesującego zbioru danych oraz porównania wyników uzyskanych na podstawie statystyki z wynikami uzyskanymi z interesującego nas zbioru danych. Zalety i wady podejścia hybrydowego zostały również rozważone.

PL

In this paper testing for revealing data structure based on a hybrid approach has been presented. The hybrid approach used during the testing suggests defining a pre-clustering hypothesis, defining a pre-clustering statistic and assuming the homogeneity of the data under pre-defined hypothesis, applying the same clustering procedure for a data set of interest, and comparing results obtained under the pre-clustering statistic with the results from the data set of interest. The pros and cons of the hybrid approach have been also considered.

Słowa kluczowe

EN

pre-clustering hypothesis; data group structure testing; group structure revealing

PL

hipoteza wstępnego klastrowania; testowanie struktury danych; występowania struktury

• Wydawca: Wydawnictwo Politechniki Lubelskiej
• Czasopismo: Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska
• Rocznik: 2017
• Tom: T. 7, nr 2
• Strony: 119--122
• Opis fizyczny: Bibliogr. 13 poz., rys., tab.

Twórcy

autor

Mosorov V.

• Lodz University of Technology, Institute of Applied Computer Science

autor

Panskyi T.

• Lodz University of Technology, Institute of Applied Computer Science

autor

Biedron S.

• Lodz University of Technology, Institute of Applied Computer Science

Bibliografia

• [1] Mosorov V., Tomczak L.: Image texture defect detection method using fuzzy c-means clustering for visual inspection systems. Arabian Journal for Science and Engineering 39(4)/2014, 3013–3022 [DOI:10.1007/s13369-013-0920-7].
• [2] Kumar D., Bezdek J.C., Rajasegarar S., Leckie C., Palaniswami M.: A visualnumeric approach to clustering and anomaly detection for trajectory data. The Visual Computer, December 2015 [DOI:10.1007/s00371-015-1192-x].
• [3] Zhang S., Hu W., Wang T., Liu J., Zhang Y.: Speaker Clustering Aided by Visual Dialogue Analysis. Advances in Multimedia Information Processing – PCM 2008. Springer Science + Business Media. 693–702.
• [4] Strauss D.J., Riverside C.: A model for clustering. Biometrika 62(2)/ 1975, 467–475 [DOI:10.1093/biomet/62.2.467].
• [5] Bock H.H.: On some significance tests in cluster analysis. Journal of Classification 2(1)/1985, 77–108 [DOI:10.1007/bf01908065].
• [6] Hartigan J.A., Mohanty S.: The runt test for multimodality. Journal of Classification 9(1)/1992, 63–70 [DOI:10.1007/bf02618468].
• [7] Hennig C., Lin C-J.: Flexible parametric bootstrap for testing homogeneity against clustering and assessing the number of clusters. Statistics and Computing 25(4)/2015, 821–833 [DOI:10.1007/s11222-015-9566-5].
• [8] Hautaniemi S., Edgren H., Vesanen P. et al.: A novel strategy for microarray quality control using Bayesian networks. Bioinformatics 19(16)/2003, 2031–2038 [DOI:10.1093/bioinformatics/btg275].
• [9] Everitt B.S., Landau S., Leese M., Stahl D.: Cluster analysis. John Wiley & Sons, January 7, 2011.
• [10]Gordon A.: Studies in Classification, Data Analysis, and Knowledge Organization. Gordon AD. From Data to Knowledge. Springer Science + Business Media 1996, 32–44.
• [11]Fisher R.A.: The use of multiple measurements in taxonomic problems. Annals of Eugenics 7(2)/1936, 179–188 [DOI:10.1111/j.1469-1809.1936.tb02137.x].
• [12]Gorman R.P., Sejnowski T.J.: Analysis of hidden units in a layered network trained to classify sonar targets. Neural Networks 1/1988, 75–89.
• [13]Ripley B.D.: Neural networks and related methods for classification. Journal of the Royal Statistical Society - Series B (Methodological) 56(3)/1994, 409–456 [DOI:10.2307/2346118].